Prädiktive Kritikalitätsschätzung für aktive Fahrzeugsicherheitsfunktionen mit Machine Learning Verfahren
Translated title:
Predictive Criticality Estimation for Active Vehicle Safety Systems with Machine Learning Methods
Author:
Wallner, Johannes
Year:
2020
Document type:
Dissertation
Faculty/School:
Fakultät für Maschinenwesen
Advisor:
Lienkamp, Markus (Prof. Dr.)
Referee:
Lienkamp, Markus (Prof. Dr.); Straub, Daniel (Prof. Dr.)
Language:
de
Subject group:
VER Technik der Verkehrsmittel
TUM classification:
VER 020d
Abstract:
Die Arbeit zeigt eine Methodik zur prädiktiven Kritikalitätsschätzung in einem Fahrzeug mit Hilfe von Machine Learning Verfahren, die aus aufgezeichneten und gelabelten Fahrsequenzen Schätzmodelle bilden. Diese können in einem Fahrzeug kontinuierlich ausgewertet werden und bis zu 10 s in die Zukunft vor einem potentiellen Unfall eine Aussage zur Kritikalität liefern. Wesentlich hierbei ist die Integration von langsam veränderlichen Einflüssen wie dem Fahrerzustand, der Fahrbahnbeschaffenheit oder dem Wetter in den Prädiktionsprozess.
«
Die Arbeit zeigt eine Methodik zur prädiktiven Kritikalitätsschätzung in einem Fahrzeug mit Hilfe von Machine Learning Verfahren, die aus aufgezeichneten und gelabelten Fahrsequenzen Schätzmodelle bilden. Diese können in einem Fahrzeug kontinuierlich ausgewertet werden und bis zu 10 s in die Zukunft vor einem potentiellen Unfall eine Aussage zur Kritikalität liefern. Wesentlich hierbei ist die Integration von langsam veränderlichen Einflüssen wie dem Fahrerzustand, der Fahrbahnbeschaffenheit ode...
»
Translated abstract:
This work presents a predictive safety state evaluation in vehicles with machine learning methods. Based on logged and labeled data of driving sequences predictive models are trained. By continuously evaluating those models during a drive, a criticality value for potential upcoming accidents can be estimated up to 10 s in the future. One important aspect is the integration of slow changing criticality measures. Thus, information about the driver state, driving maneuver, road condition or environment can be included via feature design in the prediction process.
«
This work presents a predictive safety state evaluation in vehicles with machine learning methods. Based on logged and labeled data of driving sequences predictive models are trained. By continuously evaluating those models during a drive, a criticality value for potential upcoming accidents can be estimated up to 10 s in the future. One important aspect is the integration of slow changing criticality measures. Thus, information about the driver state, driving maneuver, road condition or environ...
»